專利名稱：基于bp神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)分類方法，可以對(duì)聲學(xué)振動(dòng)法檢測(cè)瓷絕緣子的數(shù)據(jù)結(jié)果進(jìn)行人工智能自動(dòng)分類。
背景技術(shù)：
瓷絕緣子需要定期檢測(cè)，以判讀其是否有損傷，瓷絕緣子的檢測(cè)結(jié)果分三種上端有缺陷、下端有缺陷、無缺陷。對(duì)絕緣子進(jìn)行振動(dòng)聲學(xué)法檢測(cè)時(shí)，儲(chǔ)存的檢測(cè)結(jié)果數(shù)據(jù)為WAV 格式的聲音文件，需要用與檢測(cè)設(shè)備配套的軟件將其功率譜密度圖讀取出才能判讀，該軟件每次最多能同時(shí)讀取6個(gè)數(shù)據(jù)，每次讀取都需要點(diǎn)擊鼠標(biāo)進(jìn)行多次操作，在判讀完數(shù)據(jù)關(guān)閉后，想再次判讀時(shí)還需要重新操作軟件，不便于同時(shí)比較多個(gè)數(shù)據(jù)且對(duì)數(shù)據(jù)的功率譜密度圖存取比較麻煩。對(duì)于大型變電站的檢測(cè)，一次就產(chǎn)生數(shù)百個(gè)數(shù)據(jù)，人工完成數(shù)據(jù)的判讀費(fèi)時(shí)費(fèi)力。發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是提供一種可提高分類效率的基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)分類方法。
為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是一種基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)分類方法，其包括以下步驟1)采用MATLAB語言，設(shè)計(jì)一個(gè)BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)；2)對(duì)于經(jīng)過降噪后分成3類的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)，每類各取至少I個(gè)典型數(shù)據(jù)，采用梅爾倒譜系數(shù)法生成特征向量，作為輸入向量，得到訓(xùn)練樣本，以絕緣子缺陷形式分類代碼作為輸出；3)利用步驟2)中得到的訓(xùn)練樣本對(duì)步驟I)中的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的 BP神經(jīng)網(wǎng)絡(luò)，該BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為24，輸出層節(jié)點(diǎn)數(shù)為3 ；4)將瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)生成測(cè)試輸入向量，同時(shí)對(duì)該瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)進(jìn)行FFT變換后生成頻譜圖并以檢測(cè)數(shù)據(jù)文件名稱加以標(biāo)識(shí)，然后將測(cè)試輸入向量輸入訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，其神經(jīng)網(wǎng)絡(luò)輸出即為絕緣子缺陷形式分類代碼中的某一個(gè)；5)將步驟4)中生成的頻譜圖存放在與BP神經(jīng)網(wǎng)絡(luò)輸出向量相對(duì)應(yīng)的文件夾中；處理完畢后，所述頻譜圖被分成3類，即瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)被分成三類。
上述步驟2)中的降噪方法采用小波分解降噪。
上述分類代碼分成三類，分別記為[O O I]、[O I O]、[I O O]。
上述步驟2)中，當(dāng)每類抽取多個(gè)典型數(shù)據(jù)時(shí)(即大于I個(gè))，對(duì)多個(gè)典型數(shù)據(jù)采用 Mel頻率倒譜系數(shù)法生成特征值；然后抽取每個(gè)典型數(shù)據(jù)的部分特征向量，將這些抽取出的特征向量組成一組完整的特征向量作為輸入向量，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
本發(fā)明的工作原理如下本發(fā)明針對(duì)現(xiàn)有分類技術(shù)效率低、人工操作的缺點(diǎn)，提供一種基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)結(jié)果分類方法，利用BP神經(jīng)網(wǎng)絡(luò)良好的非線性函數(shù)逼近能力和自組織學(xué)習(xí)功能，自動(dòng)完成大批量瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)的分類問題。將瓷絕緣子振動(dòng)聲學(xué)法檢測(cè)獲得的數(shù)據(jù)文件作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，通過網(wǎng)絡(luò)訓(xùn)練后，所構(gòu)建的神經(jīng)網(wǎng)絡(luò)系統(tǒng)能自動(dòng)把瓷絕緣子的聲學(xué)相應(yīng)信息與其內(nèi)部是否損傷之間的關(guān)系進(jìn)行非線性分析并分類。
人工神經(jīng)網(wǎng)絡(luò)ANN是模仿腦細(xì)胞的結(jié)構(gòu)和功能、腦神經(jīng)結(jié)構(gòu)以及思維處理問題等腦功能的新型信息處理系統(tǒng)。它具有復(fù)雜的動(dòng)力學(xué)特性，并行處理機(jī)制，學(xué)習(xí)、聯(lián)想和記憶功能，還具有高度的自組織、自適應(yīng)能力。具有強(qiáng)大的模式識(shí)別能力，通過對(duì)反映輸入特征量的大量樣本學(xué)習(xí)，可以對(duì)任意復(fù)雜狀態(tài)或過程進(jìn)行分類和識(shí)別。反向傳播網(wǎng)絡(luò)(Back Propagation Net-work,簡(jiǎn)稱Bp網(wǎng)絡(luò))是目前人工神經(jīng)網(wǎng)絡(luò)模式中最具代表性，應(yīng)用得最廣泛的一種模型，具有自學(xué)習(xí)、自組織、自適應(yīng)和很強(qiáng)的非線性映射能力，可以以任意精度逼近任意連續(xù)函數(shù)，因此對(duì)瓷絕緣子檢測(cè)結(jié)果的分類上，可以采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行自動(dòng)分類。
由于對(duì)絕緣子檢測(cè)的數(shù)據(jù)文件為音頻信號(hào)，因此對(duì)絕緣子檢測(cè)結(jié)果的分類基于對(duì)音頻信號(hào)的識(shí)別基礎(chǔ)上。在音頻識(shí)別領(lǐng)域中，特征提取的好壞直接影響到識(shí)別的結(jié)果。現(xiàn)有的聲音識(shí)別系統(tǒng)采用較多的聲音特征是線性預(yù)測(cè)倒譜參數(shù)(LPCC)與Mel頻率倒譜系數(shù)法(MFCC)。LPCC參數(shù)能很好的體現(xiàn)人的聲道特征，計(jì)算量小，但抗噪聲性能差。MFCC系數(shù)考慮了人耳的聽覺特性，將頻譜轉(zhuǎn)化為基于Mel頻率的非線性頻譜，然后轉(zhuǎn)換到倒譜域上， 使用一串在低頻區(qū)域交叉重疊排列的三角形濾波器，捕獲聲音的頻譜信息，因此需要采用 MFCC法對(duì)聲音信號(hào)進(jìn)行預(yù)處理。
MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱(Neural Network Toolbox,簡(jiǎn)稱NNbox),為搭設(shè)人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)提供了便利的條件。神經(jīng)網(wǎng)絡(luò)工具箱功能十分完善，提供了各種MATLAB函數(shù)，包括神經(jīng)網(wǎng)絡(luò)的建立、訓(xùn)練和仿真等函數(shù)，以及各種改進(jìn)訓(xùn)練算法函數(shù)，用戶可以很方便地進(jìn)行神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和仿真，也可以在MATLAB源文件的基礎(chǔ)上進(jìn)行適當(dāng)修改，形成自己的工具包以滿足實(shí)際需要，因此處理檢測(cè)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)采用MATLAB編程。
采用上述技術(shù)方案所產(chǎn)生的有益效果在于采用本發(fā)明可以快速對(duì)瓷絕緣子振動(dòng)聲學(xué)法檢測(cè)數(shù)據(jù)進(jìn)行分類，而無需人工干預(yù)，減少分類結(jié)果的人為主觀因素，分類的效率聞。


圖I是神經(jīng)網(wǎng)絡(luò)的工作流程圖；圖2是Mel頻率與線性頻率的關(guān)系意圖；圖3是MFCC參數(shù)的提取過程示意圖；圖4是Mel頻率濾波器組示意圖。
具體實(shí)施方式
下面對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。
參見附圖1，用聲學(xué)振動(dòng)法檢測(cè)上端有缺陷、下端有缺陷、無缺陷的瓷絕緣子所產(chǎn)生的典型檢測(cè)數(shù)據(jù)在小波分解降噪后對(duì)神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行訓(xùn)練，期望神經(jīng)網(wǎng)絡(luò)能將其他檢測(cè)數(shù)據(jù)分成這樣的三類。
網(wǎng)絡(luò)系統(tǒng)判斷當(dāng)前目錄下是否還有未分類的數(shù)據(jù)，如果有則進(jìn)行處理，如果沒有則結(jié)束該分類系統(tǒng)。
如果當(dāng)前目錄下有未分類數(shù)據(jù)時(shí)，首先對(duì)未分類數(shù)據(jù)進(jìn)行小波分解降噪。去除數(shù)據(jù)中影響分類的噪聲信號(hào)，接著將數(shù)據(jù)進(jìn)行梅爾倒譜系數(shù)變換。然后對(duì)變換后的數(shù)據(jù)進(jìn)行分類。
本發(fā)明的思路是利用人工智能神經(jīng)網(wǎng)絡(luò)構(gòu)建一個(gè)智能分類系統(tǒng)模型，利用該分類模型對(duì)瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)進(jìn)行分類，下面對(duì)該分類模型的建立過程進(jìn)行詳細(xì)說明O輸入向量的產(chǎn)生在音頻識(shí)別領(lǐng)域中，特征提取的好壞直接影響到識(shí)別的結(jié)果。在本發(fā)明中采用梅爾倒譜系數(shù)法即MFCC法對(duì)聲音信號(hào)進(jìn)行預(yù)處理，從低頻到高頻這一段頻帶內(nèi)按臨界帶寬的大小由密到稀安排一組帶通濾波器，對(duì)輸入信號(hào)進(jìn)行濾波。將每個(gè)帶通濾波器輸出的信號(hào)能量作為信號(hào)的基本特征，對(duì)此特征經(jīng)過進(jìn)一步處理后就可作為語音的輸入特征。由于這種特征不依賴于信號(hào)的性質(zhì)，對(duì)輸入信號(hào)不做任何的假設(shè)和限制，又利用了聽覺模型的研究成果，因此，這種參數(shù)具有較好的魯棒性，而且當(dāng)信噪比降低時(shí)仍然具有較好的識(shí)別性能。
MFCC是在Mel標(biāo)度頻率域提取出來的倒譜參數(shù)，Mel標(biāo)度描述了人耳頻率的非線性特性，它與頻率的關(guān)系可用下式近似表示
權(quán)利要求
1.一種基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)分類方法，其特征在于包括以下步驟 1)采用MATLAB語言，設(shè)計(jì)一個(gè)BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)； 2)對(duì)于經(jīng)過降噪后分成3類的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)，每類各取至少I個(gè)典型數(shù)據(jù)，采用梅爾倒譜系數(shù)法生成特征向量，作為輸入向量，得到訓(xùn)練樣本，以絕緣子缺陷形式分類代碼作為輸出； 3)利用步驟2)中得到的訓(xùn)練樣本對(duì)步驟I)中的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，該BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為24，輸出層節(jié)點(diǎn)數(shù)為3 ； 4)將瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)生成測(cè)試輸入向量，同時(shí)對(duì)該瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)進(jìn)行FFT變換后生成頻譜圖并以檢測(cè)數(shù)據(jù)文件名稱加以標(biāo)識(shí)，然后將測(cè)試輸入向量輸入訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，其神經(jīng)網(wǎng)絡(luò)輸出即為絕緣子缺陷形式分類代碼中的某一個(gè)； 5)將步驟4)中生成的頻譜圖存放在與BP神經(jīng)網(wǎng)絡(luò)輸出向量相對(duì)應(yīng)的文件夾中；處理完畢后，所述頻譜圖被分成3類，即瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)被分成三類。
2.根據(jù)權(quán)利要求I所述的基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)分類方法，其特征在于所述步驟2)中的所述降噪方法采用小波分解降噪。
3.根據(jù)權(quán)利要求I所述的基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)分類方法，其特征在于所述分類代碼分成三類，分別記為[O O I]、[O I O]、[I O O]。
4.根據(jù)權(quán)利要求I所述的基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)分類方法，其特征在于所述步驟2)當(dāng)每類抽取多個(gè)典型數(shù)據(jù)時(shí)，對(duì)多個(gè)典型數(shù)據(jù)采用梅爾倒譜系數(shù)法生成特征值；然后抽取每個(gè)典型數(shù)據(jù)的部分特征向量，將這些抽取出的特征向量組成一組完整的特征向量作為輸入向量，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
全文摘要
本發(fā)明公開一種基于BP神經(jīng)網(wǎng)絡(luò)的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)分類方法，其步驟為設(shè)計(jì)一個(gè)BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)；對(duì)降噪后分成3類的瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)，每類取至少1個(gè)典型數(shù)據(jù)，生成特征向量作為輸入向量對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)；將瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)生成測(cè)試輸入向量，同時(shí)對(duì)該瓷絕緣子振動(dòng)聲學(xué)檢測(cè)數(shù)據(jù)進(jìn)行FFT變換后生成頻譜圖并以檢測(cè)數(shù)據(jù)文件名稱加以標(biāo)識(shí)，然后將測(cè)試輸入向量輸入訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，其神經(jīng)網(wǎng)絡(luò)輸出即為絕緣子缺陷形式分類代碼中的某一個(gè)；將生成的頻譜圖存放在和缺陷形式代碼對(duì)應(yīng)的文件夾中。本發(fā)明可以快速對(duì)瓷絕緣子振動(dòng)聲學(xué)法檢測(cè)數(shù)據(jù)進(jìn)行分類，而無需人工干預(yù)，分類效率高。
文檔編號(hào)G06K9/66GK102982351SQ20121045934
公開日2013年3月20日 申請(qǐng)日期2012年11月15日 優(yōu)先權(quán)日2012年11月15日
發(fā)明者劉長(zhǎng)福, 牛曉光, 郝曉軍, 王強(qiáng), 代小號(hào), 趙紀(jì)峰 申請(qǐng)人:河北省電力公司電力科學(xué)研究院, 國家電網(wǎng)公司, 河北省電力建設(shè)調(diào)整試驗(yàn)所